Tehosteen koko on tilastollinen käsite, joka mittaa kahden muuttujan välisen suhteen voimakkuutta numeerisella asteikolla. Esimerkiksi, jos meillä on tietoja miesten ja naisten pituudesta ja huomaamme, että miehet ovat keskimäärin pitempiä kuin naiset, miesten ja naisten korkeuden välistä eroa kutsutaan vaikutuksen kokoon. Mitä suurempi efektikoko, sitä suurempi miesten ja naisten korkeusero on. Tilastollinen vaikutuskoko auttaa meitä määrittämään, onko ero todellinen vai johtuuko se tekijöiden muutoksesta. Hypoteesitestauksessa vaikutuksen koko, teho, otoksen koko ja kriittinen merkitsevyystaso liittyvät toisiinsa. Meta-analyysissä vaikutuksen koko koskee eri tutkimuksia ja yhdistää sitten kaikki tutkimukset yhdeksi analyysiksi. Tilastoanalyysissä vaikutuksen koko mitataan yleensä kolmella tavalla: (1) standardoitu keskimääräinen ero, (2) pariton suhde, (3) korrelaatiokerroin.
Tehosteen kootyypit
Pearsonin r-korrelaatio: Pearsonin r-korrelaation on kehittänyt Karl Pearson, ja sitä käytetään eniten tilastoissa. Tämä efektikoon parametri on merkitty r: llä. Pearson r -korrelaation vaikutuskoon arvo vaihtelee välillä -1 – +1. Cohenin (1988, 1992) mukaan vaikutuksen koko on pieni, jos r: n arvo vaihtelee noin 0,1, keskitasoinen, jos r vaihtelee noin 0,3, ja suuri, jos r vaihtelee yli 0,5. Pearsonin korrelaatio lasketaan seuraavalla kaavalla:
Missä
r = korrelaatiokerroin
N = luku pisteiden parista
∑xy = paritettujen pisteiden tulojen summa
∑x = x pisteiden summa
∑y = y pisteiden summa
∑x2 = neliöiden x pisteiden summa
∑y2 = neliösumman y-pisteiden summa
Standardoitu keskiarvoero: Kun tutkimustutkimus perustuu populaation keskiarvoon ja keskihajontaan, vaikutuksen koon tiedossa käytetään seuraavaa menetelmää:
Populaation vaikutuskoko voidaan tietää jakamalla kaksi populaation keskiarvoa keskihajonnalla.
Cohenin d-vaikutuskoko : Cohenin d tunnetaan kahden populaatiokeskiarvon erona ja se jaetaan keskihajonnalla tiedoista. Matemaattisesti Cohenin efektikoko on merkitty seuraavasti:
Missä s voidaan laskea tällä kaavalla:
Glassin Δ-vaikutusmenetelmä: Tämä menetelmä on samanlainen kuin Cohenin menetelmä, mutta tässä menetelmässä standardipoikkeamaa käytetään toiselle ryhmälle. Matemaattisesti tämä kaava voidaan kirjoittaa seuraavasti:
Hedgesin g-efektimenetelmä: Tämä menetelmä on Cohenin muokattu menetelmä d-menetelmä. Hedgesin g-efektimenetelmä voidaan kirjoittaa matemaattisesti seuraavasti:
Missä keskihajonta voidaan laskea tällä kaavalla:
Cohenin f2-vaikutusmenetelmä: Cohenin f2-menetelmä mittaa tehosteen kokoa, kun käytämme menetelmiä, kuten ANOVA, moninkertainen regressio jne. f2 mittaa vaikutuksen koko useille regressioille määritellään seuraavasti:
Missä R2 on moninkertainen korrelaatio neliössä.
Cramerin φ tai Cramerin V-vaikutusmenetelmä: Chi-neliö on paras tilasto nimellistietojen vaikutuskoon mittaamiseen. Kun muuttujalla on nimellistiedoissa kaksi luokkaa, Cramerin phi on paras tilastollinen käyttö. Kun näitä luokkia on enemmän kuin kaksi, Cramerin V-tilastot antavat parhaan tuloksen nimellistiedoille.
Pariton suhde: Kertoimien suhde on hoitoryhmän onnistumisen todennäköisyys suhteessa onnistumisen todennäköisyyksiin kontrolliryhmä. Tätä menetelmää käytetään tapauksissa, joissa data on binaarista. Esimerkiksi sitä käytetään, jos meillä on seuraava taulukko:
| Taajuus | ||
| Menestys | Epäonnistuminen | |
| Hoitoryhmä | a | b |
| Ohjausryhmä | c | d |
Taulukon vaikutuskoon mittaamiseen voidaan käyttää seuraavaa parittomuuskaavaa :
Liittyvät sivut:
- Näytekoko / tehoanalyysilaskin ja kirjoitus